année académique
2023-2024

Titulaire(s) du cours

Julien TRUFIN (Coordonnateur)

Crédits ECTS

5

Langue(s) d'enseignement

français

Contenu du cours

  • Tarification a priori en assurance non-vie (GLM, GAM, Machine Learning).
  • Théorie de la crédibilité (tarification a posteriori).

Objectifs (et/ou acquis d'apprentissages spécifiques)

  • Maîtriser les techniques actuarielles utilisées pour la tarification a priori en assurance non-vie (GLM, GAM, Machine Learning).
  • Maîtriser la théorie de la crédibilité utilisée pour la tarification a posteriori ainsi que dans le contexte des réserves en assurance non-vie.

Méthodes d'enseignement et activités d'apprentissages

Exposés oraux.

Contribution au profil d'enseignement

  • Acquérir la connaissance des modèles stochastiques utilisés en assurance.

  • Maîtriser les techniques de mathématiques actuarielles pour analyser et modéliser les risques.

  • Analyser avec rigueur et esprit critique un ensemble de données.

  • Choisir de façon adéquate les modèles et techniques actuarielles appropriés au problème considéré.

  • Analyser avec rigueur et esprit critique les résultats obtenus.

  • Réévaluer à la lumière des résultats obtenus la pertinence des modèles et techniques actuarielles utilisés.

  • Utiliser un langage clair et rigoureux.

  • Etre responsable de ses affirmations.

Références, bibliographie et lectures recommandées

  • Bühlmann H. et Gisler A., A course in credibility theory and its applications, 2005, Springer.
  • Charpentier A., Computational Actuarial Science with R, 2014, CRC Press.
  • Denuit, M., Hainaut, D., Trufin, J. (2019). Effective Statistical Learning Methods for Actuaries I: GLM and Extensions. Springer Actuarial Lecture Notes Series.
  • Denuit, M., Hainaut, D., Trufin, J. (2020). Effective Statistical Learning Methods for Actuaries II: Tree-based Methods and Extensions. Springer Actuarial Lecture Notes Series.
  • Denuit, M., Hainaut, D., Trufin, J. (2019). Effective Statistical Learning Methods for Actuaries III: Neural Networks and Extensions. Springer Actuarial Lecture Notes Series.

Support(s) de cours

  • Université virtuelle

Autres renseignements

Campus

Plaine

Evaluation

Méthode(s) d'évaluation

  • Examen oral
  • Travail de groupe

Examen oral

Travail de groupe

Travail de groupe pour les deux parties (tarification a priori (partie 1) et théorie de la crédibilité (partie 2)).

Construction de la note (en ce compris, la pondération des notes partielles)

Travail de groupe: 100%.

Langue(s) d'évaluation

  • français

Programmes